arXiv cs.CLは2026年10月29日(現地時間)、コンピュータ使用エージェント（CUA）の学習に関する論文「Mage-VL-Cowork: A Full Training Recipe to Learn Hybrid Computer Use From Evolved Harnesses」を発表した。この研究では、40億パラメータを持つハイブリッドCUA「Mage-VL-Cowork」がマルチモーダルアラインメントされたチェックポイントから5段階のカリキュラムを経て学習され、OSWorld-Verifiedベンチマークで66.0%の性能を達成したと報告している。
効果的なコンピュータ使用エージェント（CUAs）は、視覚的なGUIインタラクションとコードおよびターミナル実行を単一のポリシー内でシームレスに組み合わせる必要があるとされている。
論文では、Mage-VL-Coworkが、汎用的なマルチモーダルアラインメント済みチェックポイントから、ミッドトレーニング、SFT（Supervised Fine-Tuning）、RL（Reinforcement Learning）を含むエンドツーエンドの累進的な5段階カリキュラムを通じて学習されたと説明している。このカリキュラムを大規模に推進するため、「Mage-CUA-Forge」は、タスクごとのエージェント構築を、再利用可能なスキル条件付き生成ワークフローとアプリケーション固有の準備器に置き換えている。これにより、293,806個のデスクトップおよびウェブタスクを6,915のスキルにわたって合成し、タスクごとの繰り返し費用を82.6%削減した。
学習プロセスでは、デフォルトの教師を直接蒸留するのではなく、教師ハーネスを進化させ、専門化されたCUAハーネスをインスタンス化することで、ステージ固有の教師あり学習とともに高品質な軌道を生成した。Mage-VL-Cowork-4Bは最終的に、より効率的な推論コストでOSWorld-Verifiedベンチマークにおいて66.0%の性能に達し、そのパラメータサイズで最先端の性能を達成したと評価されている。これは、オンデバイスインテリジェンスのフロンティアを推進する可能性を示唆している。
参考: arXiv cs.CL (アーカイブ) — 2026年11月2日 14:00 (JST)
原文ハイライト"Mage-VL-Cowork: A Full Training Recipe to Learn Hybrid Computer Use From Evolved Harnesses"